1. PENDAHULUAN
Pesatnya kemajuan global kebutuhan terhadap kendaraan bermotor semakin tinggi, maka dapat mengakibatkan tidak
seimbangnya terhadap populasi penduduk yang ada[1]. Pada saat ini, kendaraan bermotor menjadi bagian dari
kebutuhan terhadap transportasi atau kendaraan yang merupakan turunan akibat aktifitas ekonomi, sosial dan aktivitas
lainnya[2]. Provinsi Sumatera Utara merupakan salah satu provinsi yang ada di Indonesia. Banyak aktivitas kegiatan
masyarakat baik dalam bidang pemerintahan, pendidikan, perdagangan, industri maupun transportasi. Provinsi
Sumatera Utara mengalami pertumbuhan penduduk yang cukup tinggi dari tahun-ketahun, dikarenakan banyaknya
penduduk yang berimigrasi dari daerah lain. Perkembangan jumlah penduduk juga mempengaruhi bertambahnya
jumlah kendaraan yang ada. Berdasarkan data dari Badan Pusat Statistik (BPS), bahwa jumlah kendaraan di provinsi
Sumatera Utara pada Tahun 2017 (305.983), Tahun 2018 (363.362) dan Tahun 2019 (518.798) dengan jumlah
keseluruhan (1.188.143). Pertumbuhan kendaraan tidak sebanding dengan populasi penduduk di provinsi Sumatera
Utara. Hal ini menyebabkan berbagai dampak negatif, salah satunya yaitu terjadinya peningkatan kemacetan lalu lintas,
pencemaran udara dari kendaraan bermotor yang menimbulkan meningkatnya emisi gas rumah kaca. Berdasarkan
masalah tersebut perlu adanya prediksi terhadap jumlah kendaraan yang ada di Provinsi Sumatera Utara. Oleh karena
itu, dibutuhkan prediksi yang akurat untuk mengetahui jumlah kendaraan tiap tahun.Untuk itu dapat dilakukan tindakan
preventif untuk menyesuaikan antara kebutuhan masyarakat atas kendaraan dengan kendaraan umum yang ada. Selain
itu, dapat dilakukan juga pembatasan pada kepemilikan kendaraan. Prediksi dilakukan dengan memanfaatkan sistem
kecerdasan buatan yang salah satunya adalah Jaringan Syaraf Tiruan dengan menggunakan metode Algoritma
Backpropagation dalam memprediksi jumlah pertumbuhan kendaraan di Provinsi Sumatera Utara. Jaringan Syaraf
Tiruan merupakan salah satu representasi buatan dari otak manusia yang diimplementasikan pada program komputer
yang mampu menyelesaikan sejumlah perhitungan dalam menarik suatu kesimpulan [3]. Backpropagation merupakan
bagian dari Jaringan Syaraf Tiruan yang menggunakan beberapa pola dalam mencapai jumlah kesalahan yang
minimum dalam memprediksi suatu kebenaran [3]. Diharapkan dengan sistem ini dapat membantu kepada pihak terkait
dalam menghitung dan memprediksi jumlah pertumbuhan kendaraan di Provinsi Sumatera Utara.
2. METODOLOGI PENELITIAN
2.1. Teknik Pengumpulan Data
Sumber data diperoleh dari Badan Pusat Statistik Indonesia melalui website www.bps.go.id. Data penelitian yang
digunakan adalahdata pertumbuhan kendaraan Provinsi Sumatera Utara pada tahun 2017 sampai 2019.
4. KESIMPULAN
Dari uraian pada bab sebelumnya, maka penulis mengambil beberapa kesimpulan yaitu, penggunaan metode
backpropagation dapat digunakan dalam memprediksi jumlah pertumbuhan kendaraan di Sumatera Utara . Hasil uji
coba yang dilakukan dengan software MATLAB R2011b model arsitektur terbaiknya adalah model 2-2-1 dengan tingkat
akurasi 94% dengan jumlah MSE 0.000208514, nilai epoch 789. Dapat disimpulkan bahwa metode Backpropagation
dapat di jadikan salah satu metode prediksi yang memudahkan dalam mencari prediksi apapun
REFERENCES
[1] M. C. Amin, “Faktor- Faktor Yang Mempengaruhi Pertumbuhan Kendaraan Bermotor Roda Dua Di Kota Pekanbaru,” pp.
1106–1120, 2017.
[2] G. Guntoro, L. Costaner, and L. Lisnawita, “Prediksi Jumlah Kendaraan di Provinsi Riau Menggunakan Metode
Backpropagation,” Inform. Mulawarman J. Ilm. Ilmu Komput., vol. 14, no. 1, p. 50, 2019.
[3] M. Andrijasa et al., “Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan
Timur Dengan Menggunakan Algoritma Pembelajaran Backpropagation,” J. Inform. Mulawarman, vol. 5, no. 1, 2010.
[4] Husni, “Kecerdasan Buatan,” 2012.
[5] C. Oktaviani and Afdal, “Prediksi Curah Hujan Bulanan Menggunakan Jaringan Syaraf Tiruan Dengan Beberapa Fungsi
Pelatihan Backpropagation,” J. Fis. Unand, vol. 2, no. 4, pp. 228–237, 2013.
[6] F. Tempola and S. Do Abdullah, “Case-Based Reasoning ( CBR ) untuk Penentuan Kelayakan Mahasiswa Penerima
Beasiswa,” vol. 5, no. 2, pp. 1–5, 2018.
[7] C. Iswahyudi and E. Sutanta, “USE CASE DIAGRAM,” 2018.
[8] A. Paramitha, S. Kom, and M. Kom, “( Activity Diagram ),” 2018.
[9] B. Hardian, M. Sulisetyani, and R. Rafian, “Diagram sequence uml,” no. 51412367, pp. 1–11, 2014.
[10] P. D. Liksha, “Aplikasi Akuntansi Pengolahan Data Jasa Service,” vol. 1, no. 1, pp. 1–14, 2018.
[11] R. Nurmalina, “Perencanaan dan Pengembangan Aplikasi Absensi Mahasiswa Menggunakan Smart Card Guna